CN115457306A - 一种通用的自动拆分左右眼照片的方法 - Google Patents
一种通用的自动拆分左右眼照片的方法 Download PDFInfo
- Publication number
- CN115457306A CN115457306A CN202210951042.8A CN202210951042A CN115457306A CN 115457306 A CN115457306 A CN 115457306A CN 202210951042 A CN202210951042 A CN 202210951042A CN 115457306 A CN115457306 A CN 115457306A
- Authority
- CN
- China
- Prior art keywords
- image
- blood vessel
- right eye
- eye
- fundus image
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 47
- 210000004204 blood vessel Anatomy 0.000 claims abstract description 40
- 238000012545 processing Methods 0.000 claims abstract description 11
- 210000003733 optic disk Anatomy 0.000 claims abstract description 5
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000001914 filtration Methods 0.000 claims description 13
- 210000001210 retinal vessel Anatomy 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 210000001525 retina Anatomy 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 4
- 201000010099 disease Diseases 0.000 description 3
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000003745 diagnosis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000003902 lesion Effects 0.000 description 2
- 231100000915 pathological change Toxicity 0.000 description 2
- 230000036285 pathological change Effects 0.000 description 2
- 208000002177 Cataract Diseases 0.000 description 1
- 206010012689 Diabetic retinopathy Diseases 0.000 description 1
- 208000010412 Glaucoma Diseases 0.000 description 1
- 206010064930 age-related macular degeneration Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 208000002780 macular degeneration Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 208000001491 myopia Diseases 0.000 description 1
- 230000004379 myopia Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/36—Applying a local operator, i.e. means to operate on image points situated in the vicinity of a given point; Non-linear local filtering operations, e.g. median filtering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/03—Recognition of patterns in medical or anatomical images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Nonlinear Science (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Eye Examination Apparatus (AREA)
Abstract
本发明公开了一种通用的自动拆分左右眼照片的方法，涉及医学数字图像处理技术领域，具体为一种通用的自动拆分左右眼照片的方法，包括以下步骤：S1：眼底图像预处理。通用的自动拆分左右眼照片的方法，首先对获取的眼底图像进行处理，然后对处理后的图像分别根据视盘和血管的不同特征通过三种不同的方法获取相应的信息，最后分别对三种方法设定相应的变量判断其是否能够进行左右眼的判别，并根据每种方法得到的识别结果对眼底图像联合进行左右眼识别并输出识别结果。本发明能够快速精确地识别给定的眼底图像是属于左眼还是右眼，识别精确度高，简单易操作，并能将眼底图像自动拆分为左右眼照片，具有较高的应用价值。
Description
技术领域
本发明涉及医学数字图像处理技术领域，具体为一种通用的自动拆分左右眼照片的方法。
背景技术
眼底图像包含了丰富的非结构化参数，这是包括白内障、青光眼、老年性黄斑变性、糖尿病视网膜病变在内的常见眼科疾病的重要诊断依据，并且眼底图像中的血管是人体内唯一能够在无创条件下直视的血管结构，它是监测全身多种疾病以及预估疾病风险的主要信息窗口，因此对眼底图像的采集存储以及分析就显现的尤为重要。
传统的左右眼识别方法的关键在于对眼底图像中视盘所在位置的判定；目前视盘定位主要有三种方法，第一种方法是直接利用视盘呈现淡红色并近似于圆盘状的特征来定位视盘，该方法容易受到视盘形变、图像本身的亮度、对比度以及其它病变区域的影响；第二种方法是利用血管在视盘处水平方向血管和垂直方向血管密度分布不均的特征来定位视盘，该方法易受非视盘区域垂直方向血管的干扰；第三种方法利用血管近似抛物线走向的特征来定位视盘，该方法与图像本身血管的清晰度和丰富度直接相关；血管分割主要有四种方法，第一种方法为血管跟踪方法，该方法容易受到血管分支或交叉点的影响；第二种方法为基于匹配滤波的方法，该方法容易受到深色病灶的影响；第三种方法为基于形态学处理的方法，该方法对结构元素的选取很关键；第四种方法是基于监督学习的方法，该方法需要大量的标注样本集。
当医生在对病人进行诊断时，如果数据库中有病人的历史眼底照片，医生往往需要挑选左(右)眼眼底图片与当前拍摄的左(右)眼眼底图片进行对比，观察眼底的细微变化，目前，医生在进行眼底图像对比时，往往还是手动的从库里面选取左(右)眼眼底图片，眼底图片在入库之前并没有做左右眼的归类整理。
这造成了以下两个弊端：
(1)当医生在对病人进行诊断时，往往需要利用当前眼底图像与病人上一次或者前若干次拍摄的眼底图像进行对比分析，但病人经过多次诊断后会产生多幅眼底图像，医生在观察左眼(右眼)眼底图像时，需要人工从多幅眼底图像中查找左眼(右眼)眼底图像，存在工作量大、工作效率低下、易疲劳、费时费力等缺点；
(2)医生在诊断病情时，往往会利用图像配准技术来观察血管、视盘、近视弧以及病灶的微小变化，图像配准同样需要病人不同时期的两次眼底图像，这仍然存在需要人工从多幅眼底图像中手动选取左眼(右眼)眼底图像进行配准的弊端。而且当病人眼部存在病变时，由于患处产生了病理变化，很有可能对医生的人工左右眼识别判断产生影响，延误诊治，目前，尚没有形成一套行之有效的方法通过眼底图像对左右眼进行识别并自动拆分图片。
发明内容
针对现有技术的不足，本发明提供了一种通用的自动拆分左右眼照片的方法，解决了上述背景技术中提出的目前尚没有形成一套行之有效的方法通过眼底图像对左右眼进行识别并自动拆分图片的问题。
为实现以上目的，本发明通过以下技术方案予以实现：一种通用的自动拆分左右眼照片的方法，包括以下步骤：
S1：眼底图像预处理；
S1.1：色彩空间变换和颜色通道的提取，完成图像RGB三色通道输出，
S1.2：高斯滤波，基于二维高斯分布，使用5*5模板进行滤波，得到滤波后的视网膜血管图，
S1.3：消除不均匀光照，通过底帽变换、对比度受限的自适应直方图均衡化；
S2：视网膜血管提取；
S2.1：高斯匹配滤波与图像归一化处理，图像经过匹配滤波处理之后，可抑制眼底图像中的背景，增强目标血管灰度，达到凸显血管结构的目的，
S2.2：去掉视网膜轮廓，
S2.3：灰度拉伸，提高图像对比度，
S2.4：OSTU二值化，通过最大类间方差法获得阈值，再将灰度图像转换为二值图像；
S3：视盘定位；
S3.1：视盘候选区提取，使用DLC算法提取亮斑区域，
S3.2：取视盘亮斑，这里会使用视网膜血管提取结果作为辅助判断依据。从全部候选区中选择血管分支数最多的候选区为视盘区域；
S4：根据血管分布获取垂直偏移角度；
S4.1：利用血管在垂直和水平方向分布不均的特征，以及视盘内主血管的方向，确定垂直偏移角度；
S5：根据主血管方向获取水平偏移角度；
S5.1：基于所述视盘中心点，及两个主血管分支，计算出两个分支间的角度，
S5.2：根据血管分支角度计算出眼底图像的水平偏移角度；
S6：联合判断左右眼，根据获取到的视盘定位，垂直偏移角度，水平偏移角度联合判断左右眼；
S7：拆分左右眼照片，将原本的眼底图像根据判断结果拆分为左右眼两张图片。
本发明提供了一种通用的自动拆分左右眼照片的方法，具备以下有益效果：
1、该通用的自动拆分左右眼照片的方法，首先对获取的眼底图像进行处理，然后对处理后的图像分别根据视盘和血管的不同特征通过三种不同的方法获取相应的信息，最后分别对三种方法设定相应的变量判断其是否能够进行左右眼的判别，并根据每种方法得到的识别结果对眼底图像联合进行左右眼识别并输出识别结果。本发明能够快速精确地识别给定的眼底图像是属于左眼还是右眼，识别精确度高，简单易操作，并能将眼底图像自动拆分为左右眼照片，具有较高的应用价值。
2、本发明的目的是克服现有技术的上述不足，提供一种综合眼底图像血管信息和视盘信息的左右眼识别方法，以提高左右眼识别的准确率和效率，并将左右眼照片自动拆分。
附图说明
图1为本发明流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
请参阅图1，本发明提供一种技术方案：一种通用的自动拆分左右眼照片的方法，包括以下步骤：
一、眼底图像预处理；
1.1：色彩空间变换和颜色通道的提取，完成图像RGB三色通道输出，
1.2：高斯滤波，基于二维高斯分布，使用5*5模板进行滤波，得到滤波后的视网膜血管图，
1.3：消除不均匀光照，通过底帽变换、对比度受限的自适应直方图均衡化；
2、视网膜血管提取；
2.1：高斯匹配滤波与图像归一化处理，图像经过匹配滤波处理之后，可抑制眼底图像中的背景，增强目标血管灰度，达到凸显血管结构的目的，
2.2：去掉视网膜轮廓，
2.3：灰度拉伸，提高图像对比度，
2.4：OTU二值化，通过最大类间方差法获得阈值，再将灰度图像转换为二值图像；
3、视盘定位；
3.1：视盘候选区提取，使用DLC算法提取亮斑区域，
3.2：取视盘亮斑，这里会使用视网膜血管提取结果作为辅助判断依据。从全部候选区中选择血管分支数最多的候选区为视盘区域；
4、根据血管分布获取垂直偏移角度；
4.1：利用血管在垂直和水平方向分布不均的特征，以及视盘内主血管的方向，确定垂直偏移角度；
5、根据主血管方向获取水平偏移角度；
5.1：基于所述视盘中心点，及两个主血管分支，计算出两个分支间的角度，
5.2：根据血管分支角度计算出眼底图像的水平偏移角度；
6、联合判断左右眼，根据获取到的视盘定位，垂直偏移角度，水平偏移角度联合判断左右眼；
7、拆分左右眼照片，将原本的眼底图像根据判断结果拆分为左右眼两张图片。
本发明能够快速精确地识别给定的眼底图像是属于左眼还是右眼，识别精确度高，简单易操作，并能将眼底图像自动拆分为左右眼照片，与现有技术的区别主要在于以下三点：第一，提取视网膜血管作为辅助定位视盘的依据，不同于以往的单一通过圆形亮斑判断；第二，依据三种方法得到的结果联合判断左右眼，识别精确度更高；第三，将眼底图像自动拆分为左右眼照片，具有更高的应用价值。
综上所述，该通用的自动拆分左右眼照片的方法，使用时，首先对获取的眼底图像进行处理，然后对处理后的图像分别根据视盘和血管的不同特征通过三种不同的方法获取相应的信息，最后分别对三种方法设定相应的变量判断其是否能够进行左右眼的判别，并根据每种方法得到的识别结果对眼底图像联合进行左右眼识别并输出识别结果。
最后应说明的几点是：首先，在本申请的描述中，需要说明的是，除非另有规定和限定，术语“安装”、“相连”、“连接”应做广义理解，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，“上”、“下”、“左”、“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变，则相对位置关系可能发生改变；
其次：本发明公开实施例附图中，只涉及到与本公开实施例涉及到的结构，其他结构可参考通常设计，在不冲突情况下，本发明同一实施例及不同实施例可以相互组合；
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (1)
1.一种通用的自动拆分左右眼照片的方法，其特征在于：包括以下步骤：
S1：眼底图像预处理；
S1.1：色彩空间变换和颜色通道的提取，完成图像RGB三色通道输出，
S1.2：高斯滤波，基于二维高斯分布，使用5*5模板进行滤波，得到滤波后的视网膜血管图，
S1.3：消除不均匀光照，通过底帽变换、对比度受限的自适应直方图均衡化；
S2：视网膜血管提取；
S2.1：高斯匹配滤波与图像归一化处理，图像经过匹配滤波处理之后，可抑制眼底图像中的背景，增强目标血管灰度，达到凸显血管结构的目的，
S2.2：去掉视网膜轮廓，
S2.3：灰度拉伸，提高图像对比度，
S2.4：OSTU二值化，通过最大类间方差法获得阈值，再将灰度图像转换为二值图像；
S3：视盘定位；
S3.1：视盘候选区提取，使用DLC算法提取亮斑区域，
S3.2：取视盘亮斑，这里会使用视网膜血管提取结果作为辅助判断依据，从全部候选区中选择血管分支数最多的候选区为视盘区域；
S4：根据血管分布获取垂直偏移角度；
S4.1：利用血管在垂直和水平方向分布不均的特征，以及视盘内主血管的方向，确定垂直偏移角度；
S5：根据主血管方向获取水平偏移角度；
S5.1：基于所述视盘中心点，及两个主血管分支，计算出两个分支间的角度，
S5.2：根据血管分支角度计算出眼底图像的水平偏移角度；
S6：联合判断左右眼；根据获取到的视盘定位，垂直偏移角度，水平偏移角度联合判断左右眼；
S7：拆分左右眼照片；将原本的眼底图像根据判断结果拆分为左右眼两张图片。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210951042.8A CN115457306B (zh) | 2022-08-09 | 2022-08-09 | 一种通用的自动拆分左右眼照片的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210951042.8A CN115457306B (zh) | 2022-08-09 | 2022-08-09 | 一种通用的自动拆分左右眼照片的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115457306A true CN115457306A (zh) | 2022-12-09 |
| CN115457306B CN115457306B (zh) | 2024-08-23 |
Family
ID=84296655
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210951042.8A Active CN115457306B (zh) | 2022-08-09 | 2022-08-09 | 一种通用的自动拆分左右眼照片的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115457306B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292877A (zh) * | 2017-07-05 | 2017-10-24 | 北京至真互联网技术有限公司 | 一种基于眼底图像特征的左右眼识别方法 |
| CN110930446A (zh) * | 2018-08-31 | 2020-03-27 | 福州依影健康科技有限公司 | 一种眼底图像定量分析的前置处理方法及存储设备 |
| CN114445666A (zh) * | 2022-01-27 | 2022-05-06 | 复旦大学 | 基于深度学习眼底图像左右眼及视野位置分类方法及系统 |
-
2022
- 2022-08-09 CN CN202210951042.8A patent/CN115457306B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107292877A (zh) * | 2017-07-05 | 2017-10-24 | 北京至真互联网技术有限公司 | 一种基于眼底图像特征的左右眼识别方法 |
| CN110930446A (zh) * | 2018-08-31 | 2020-03-27 | 福州依影健康科技有限公司 | 一种眼底图像定量分析的前置处理方法及存储设备 |
| CN114445666A (zh) * | 2022-01-27 | 2022-05-06 | 复旦大学 | 基于深度学习眼底图像左右眼及视野位置分类方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115457306B (zh) | 2024-08-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107292877B (zh) | 一种基于眼底图像特征的左右眼识别方法 | |
| Ter Haar | Automatic localization of the optic disc in digital colour images of the human retina | |
| WO2020042406A1 (zh) | 一种眼底图像自动分析比对方法及一种存储设备 | |
| CN110930446B (zh) | 一种眼底图像定量分析的前置处理方法及存储设备 | |
| Guo et al. | Automatic determination of vertical cup-to-disc ratio in retinal fundus images for glaucoma screening | |
| CN112233789A (zh) | 一种区域特征融合的高血压视网膜病变分类方法 | |
| Suero et al. | Locating the Optic Disc in Retinal Images Using Morphological Techniques. | |
| CN104933715A (zh) | 一种应用于视网膜眼底图像的配准方法 | |
| Wang et al. | Accurate disease detection quantification of iris based retinal images using random implication image classifier technique | |
| Naveen et al. | Diabetic retinopathy detection using image processing | |
| Prentasic et al. | Weighted ensemble based automatic detection of exudates in fundus photographs | |
| CN116030042B (zh) | 一种针对医生目诊的诊断装置、方法、设备及存储介质 | |
| Gupta et al. | An efficient automated method for exudates segmentation using image normalization and histogram analysis | |
| Perez-Rovira et al. | Robust optic disc location via combination of weak detectors | |
| CN115457306B (zh) | 一种通用的自动拆分左右眼照片的方法 | |
| Abdullah et al. | Application of grow cut algorithm for localization and extraction of optic disc in retinal images | |
| Sumathy et al. | Feature extraction in retinal fundus images | |
| Athab et al. | Disc and Cup Segmentation for Glaucoma Detection | |
| Radha et al. | Identification of retinal image features using bitplane separation and mathematical morphology | |
| CN111291706A (zh) | 一种视网膜图像视盘定位方法 | |
| Ghorab et al. | Computer-Based Detection of Glaucoma Using Fundus Image Processing | |
| CN117197145B (zh) | 一种基于深度学习的白内障病变图像识别系统 | |
| Srividya et al. | A Survey on Detection of Diabetic Retinopathy Lesions Using Deep Learning | |
| Jose et al. | Automated Detection of Microaneurysm using Textural Analysis | |
| Mehran et al. | Optic Disc Detection in Retinal Fundus Images Based on Saliency Map |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |